def getContours(img, imgOriginal):
    """
    Поиск контура документа с обработкой ошибок при отсутствии контуров
    
    Args:
        img (numpy.ndarray): Бинарное изображение после предобработки
        imgOriginal (numpy.ndarray): Исходное изображение для визуализации
    
    Returns:
        numpy.ndarray: Угловые точки документа или пустой массив если контуры не найдены
        numpy.ndarray: Изображение с нарисованными контурами
    """
    contours, hierarchy = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    biggest = np.array([])  # Инициализация пустого массива для хранения самого большого контура
    maxArea = 0
    imgWithContours = imgOriginal.copy()
    
    # Поиск самого большого контура с четырьмя углами
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area > 5000:  # Фильтрация по минимальной площади
            peri = cv2.arcLength(cnt, True)
            approx = cv2.approxPolyDP(cnt, 0.02 * peri, True)
            if area > maxArea and len(approx) == 4:
                biggest = approx
                maxArea = area
    
    # Визуализация всех контуров
    cv2.drawContours(imgWithContours, contours, -1, (0, 255, 0), 2)
    
    # Если контур найден, отрисовываем угловые точки
    if biggest.size != 0:
        cv2.drawContours(imgWithContours, biggest, -1, (0, 0, 255), 20)
        cv2.drawContours(imgWithContours, [biggest], -1, (255, 0, 255), 10)
    
    return biggest, imgWithContours

def reorder(myPoints):
    """
    Сортировка угловых точек в правильном порядке для перспективного преобразования
    
    Args:
        myPoints (numpy.ndarray): Массив угловых точек неупорядоченный
    
    Returns:
        numpy.ndarray: Упорядоченный массив точек [верхний левый, верхний правый, 
                       нижний левый, нижний правый]
    """
    # Преобразование из формата 4x1x2 в 4x2
    myPoints = myPoints.reshape((4, 2))
    myPointsNew = np.zeros((4, 1, 2), dtype=np.int32)
    
    # Сумма координат для определения позиций
    add = myPoints.sum(1)
    
    # Разница координат для определения позиций
    diff = np.diff(myPoints, axis=1)
    
    # Сортировка точек:
    # 0: Верхний левый (минимальная сумма координат)
    myPointsNew[0] = myPoints[np.argmin(add)]
    # 3: Нижний правый (максимальная сумма координат)  
    myPointsNew[3] = myPoints[np.argmax(add)]
    # 1: Верхний правый (минимальная разница координат)
    myPointsNew[1] = myPoints[np.argmin(diff)]
    # 2: Нижний левый (максимальная разница координат)
    myPointsNew[2] = myPoints[np.argmax(diff)]
    
    return myPointsNew

def getWarp(img, biggest):
    """
    Применение перспективного преобразования с обрезкой краев
    
    Args:
        img (numpy.ndarray): Исходное изображение
        biggest (numpy.ndarray): Угловые точки документа
    
    Returns:
        numpy.ndarray: Преобразованное и обрезанное изображение документа
    """
    if biggest.size == 0:
        return img
    
    # Упорядочивание точек
    biggest = reorder(biggest)
    
    # Определение целевых точек
    pts1 = np.float32(biggest)
    pts2 = np.float32([[0, 0], [widthImg, 0], [0, heightImg], [widthImg, heightImg]])
    
    # Вычисление матрицы преобразования
    matrix = cv2.getPerspectiveTransform(pts1, pts2)
    
    # Применение преобразования
    imgOutput = cv2.warpPerspective(img, matrix, (widthImg, heightImg))
    
    # Обрезка краев для удаления артефактов (20 пикселей с каждой стороны)
    imgCropped = imgOutput[20:imgOutput.shape[0] - 20, 20:imgOutput.shape[1] - 20]
    
    # Восстановление исходного размера после обрезки
    imgCropped = cv2.resize(imgCropped, (widthImg, heightImg))
    
    return imgCropped

import cv2
import numpy as np

# Загрузка предобученного каскада для детектирования российских номерных знаков
plateCascade = cv2.CascadeClassifier("resources/russian_plates_number.xml")

# Параметры системы
widthImg = 640
heightImg = 480
minArea = 500  # Минимальная площадь для детектирования
color = (255, 0, 255)  # Цвет для отрисовки (розовый)
count = 0  # Счетчик сохраненных изображений

# Инициализация веб-камеры
cap = cv2.VideoCapture(1)  # Использование второй камеры (ID = 1)
cap.set(3, widthImg)
cap.set(4, heightImg)
cap.set(10, 150)  # Установка яркости

while True:
    success, img = cap.read()
    if not success:
        break
    
    imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # Детектирование номерных знаков
    numberPlates = plateCascade.detectMultiScale(
        imgGray, 
        scaleFactor=1.1, 
        minNeighbors=4
    )
    
    # Обработка каждого обнаруженного номерного знака
    for (x, y, w, h) in numberPlates:
        area = w * h
        if area > minArea:  # Фильтрация по площади
            # Отрисовка прямоугольника вокруг номерного знака
            cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)
            cv2.putText(img, "Number Plate", (x, y - 5), 
                       cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, color, 2)
            
            # Извлечение региона интереса (ROI)
            imgRoi = img[y:y + h, x:x + w]
            cv2.imshow("ROI", imgRoi)
    
    # Отображение основного изображения
    cv2.imshow("Result", img)
    
    # Управление: 's' для сохранения, 'q' для выхода
    key = cv2.waitKey(1)
    if key == ord('s') and 'imgRoi' in locals():
        # Сохранение изображения номерного знака
        cv2.imwrite(f"resources/scanned/number_plate_{count}.jpg", imgRoi)
        
        # Визуальная обратная связь о сохранении
        cv2.rectangle(img, (0, 200), (640, 300), (0, 255, 0), cv2.FILLED)
        cv2.putText(img, "Scan Saved", (150, 265), 
                   cv2.FONT_HERSHEY_DUPLEX, 2, (0, 0, 255), 2)
        cv2.imshow("Result", img)
        cv2.waitKey(500)  # Задержка для отображения сообщения
        
        count += 1
        print(f"Number plate saved as number_plate_{count-1}.jpg")
        
    elif key == ord('q'):
        break

# Очистка ресурсов
cap.release()
cv2.destroyAllWindows()

# Автоматическая настройка яркости в зависимости от условий освещения
avg_brightness = np.mean(imgGray)
if avg_brightness < 50:  # Темное изображение
    cap.set(10, 200)  # Увеличение яркости
elif avg_brightness > 200:  # Слишком яркое изображение  
    cap.set(10, 100)  # Уменьшение яркости

def isValidPlate(plate_roi):
    """
    Дополнительная проверка для подтверждения номерного знака
    
    Args:
        plate_roi (numpy.ndarray): Регион интереса с предполагаемым номерным знаком
    
    Returns:
        bool: True если регион содержит номерной знак, иначе False
    """
    # Конвертация в градации серого
    roi_gray = cv2.cvtColor(plate_roi, cv2.COLOR_BGR2GRAY)
    
    # Вычисление отношения сторон (номерные знаки обычно имеют определенные пропорции)
    h, w = roi_gray.shape
    aspect_ratio = w / h
    
    # Проверка соотношения сторон (стандартные номерные знаки ~4:1)
    if not (3.5 < aspect_ratio < 5.5):
        return False
    
    # Проверка контрастности (номерные знаки имеют высокий контраст)
    std_dev = np.std(roi_gray)
    if std_dev < 30:  # Низкий контраст
        return False
    
    return True

import datetime
import csv

# Создание лог-файла
log_file = "number_plate_log.csv"
with open(log_file, 'a', newline='') as file:
    writer = csv.writer(file)
    if file.tell() == 0:  # Если файл пустой, записать заголовки
        writer.writerow(["Timestamp", "Filename", "Coordinates", "Confidence"])

# Запись в лог при сохранении номерного знака
timestamp = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
coordinates = f"{x},{y},{w},{h}"
confidence = area / (widthImg * heightImg) * 100

with open(log_file, 'a', newline='') as file:
    writer = csv.writer(file)
    writer.writerow([timestamp, f"number_plate_{count-1}.jpg", coordinates, f"{confidence:.2f}%"])